{JALUR SCIENTIST} STUDI PERBANDINGAN TEKNIK PENANGANAN DATA TIDAK SEIMBANG DI DEEP LEARNING

Irsyad, Hanif Al (2023) {JALUR SCIENTIST} STUDI PERBANDINGAN TEKNIK PENANGANAN DATA TIDAK SEIMBANG DI DEEP LEARNING. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (403kB)
	Text (ISI) ISI.pdf Restricted to Registered users only Download (994kB)
	Archive (SOURCE CODE) Jalur Scientist Sourcecode - Hanif Al Irsyad.zip Restricted to Repository staff only Download (1MB)

Abstract

Penelitian ini mengeksplorasi dampak dari tiga metode penyeimbangan data (SMOTE, Random Over-Sampling, dan AdaSyn) terhadap akurasi model LSTM dalam klasifikasi teks tweet bencana. Penelitian ini bertujuan untuk mengidentifikasi teknik penyeimbangan data yang paling efektif untuk meningkatkan kinerja algoritma LSTM. Penelitian ini membandingkan akurasi model LSTM dengan menggunakan berbagai metode penyeimbangan data dan menentukan pendekatan yang optimal untuk klasifikasi tweet bencana yang tepat. Kombinasi dari pendekatan-pendekatan ini memungkinkan pemrosesan data berurutan yang efektif, meningkatkan analisis keseluruhan tweet dalam skenario bencana. Algoritma LSTM, tanpa penyeimbangan, mencapai akurasi rata-rata 81,6% di sepuluh pengujian pada data tweet bencana. Ketika dikombinasikan dengan metode penyeimbangan, akurasi berkisar antara 81% hingga 81,1%. Temuan ini menunjukkan kinerja algoritma LSTM yang kuat dalam mengklasifikasikan tweet bencana, dengan sedikit penurunan akurasi ketika menggunakan teknik balancing. Penelitian ini menyimpulkan bahwa menggunakan algoritma LSTM untuk klasifikasi teks tweet bencana tanpa menyeimbangkan dataset akan menghasilkan akurasi yang lebih tinggi. Hal ini menunjukkan bahwa LSTM efektif untuk memproses data teks dalam analisis bencana dan berpotensi untuk digunakan dalam sistem peringatan dini dan manajemen krisis. Namun, penelitian lebih lanjut diperlukan untuk peningkatan algoritma dan peningkatan kinerja.

Actions (login required)

View Item